100天搞定機(jī)器學(xué)習(xí)：模型訓(xùn)練好了，然后呢？

大家好，我是老胡。

許久沒(méi)有更新100天搞定機(jī)器學(xué)習(xí)系列了，最近在看一個(gè)開(kāi)源框架，其中有用到 gRPC ，它可以用于機(jī)器學(xué)習(xí)模型的部署，也可用于深度學(xué)習(xí)框架的開(kāi)發(fā)，本文就當(dāng)是《100天搞定機(jī)器學(xué)習(xí)》的番外篇吧，gRPC ，我們一起探個(gè)究竟。

gRPC（Remote Procedure Call）

gRPC 由 Google 開(kāi)發(fā)，是一款語(yǔ)言中立、平臺(tái)中立、開(kāi)源的 RPC 框架。
RPC（Remote Procedure Call）即：遠(yuǎn)程過(guò)程調(diào)用，它是一種通過(guò)網(wǎng)絡(luò)從遠(yuǎn)程計(jì)算機(jī)程序上請(qǐng)求服務(wù)，而不需要了解底層網(wǎng)絡(luò)技術(shù)的協(xié)議。使用的時(shí)候，客戶端調(diào)用server端提供的接口就像是調(diào)用本地的函數(shù)一樣。

比如：有兩臺(tái)服務(wù)器A，B，一個(gè)應(yīng)用部署在A服務(wù)器上，想要調(diào)用B服務(wù)器上應(yīng)用提供的函數(shù)/方法，由于不在一個(gè)內(nèi)存空間，不能直接調(diào)用，需要通過(guò)網(wǎng)絡(luò)來(lái)表達(dá)調(diào)用的語(yǔ)義和傳達(dá)調(diào)用的數(shù)據(jù)。

RPC更像是一種思想或機(jī)制，其實(shí)現(xiàn)方式有很多，除了gRPC ,還有阿里巴巴的 Dubbo、Facebook 的 Thrift、Twitter 的 Finagle 等。

gRPC 基于以下理念：定義一個(gè)服務(wù)，指定其能夠被遠(yuǎn)程調(diào)用的方法（包含參數(shù)和返回類型）。在服務(wù)端實(shí)現(xiàn)這個(gè)接口，并運(yùn)行一個(gè) gRPC 服務(wù)器來(lái)處理客戶端調(diào)用。在客戶端擁有一個(gè)存根能夠像服務(wù)端一樣的方法。你可以很容易地用 c++ 創(chuàng)建一個(gè) gRPC 服務(wù)端，用 Go、Python、Ruby 來(lái)創(chuàng)建客戶端。

上圖中的 Protocbuf 是gRPC的數(shù)據(jù)序列化工具，使用 Protobuf 將數(shù)據(jù)序列化成二進(jìn)制的數(shù)據(jù)流，即可讓用不同語(yǔ)言(proto3支持C++, Java, Python, Go, Ruby, Objective-C, C#)編寫并在不同平臺(tái)上運(yùn)行的應(yīng)用程序交換數(shù)據(jù)。ps：Protocbuf 也是 Google 開(kāi)源的。

Protocol Buffer 官方提供了編譯工具來(lái)對(duì) proto 文件進(jìn)行編譯并生成語(yǔ)言相關(guān)的代碼文件，可以極大地減少編碼的工作量。對(duì)于序列化協(xié)議來(lái)說(shuō)，使用方只需要關(guān)注業(yè)務(wù)對(duì)象本身，即 idl 定義，序列化和反序列化的代碼只需要通過(guò)工具生成即可。

gRPC 實(shí)例詳解——機(jī)器學(xué)習(xí)模型部署

開(kāi)始實(shí)例之前，需要安裝 gRPC 及相關(guān)工具

pip install -U grpcio
pip install -U grpcio-tools
pip install -U protobuf

gRPC的使用通常包括如下幾個(gè)步驟：

• 通過(guò)protobuf來(lái)定義接口和數(shù)據(jù)類型
• 編寫gRPC server端代碼
• 編寫gRPC client端代碼

下面我們就以Iris數(shù)據(jù)集為例，用 gRPC server端部署一個(gè)隨機(jī)森林分類器，client 端發(fā)起請(qǐng)求預(yù)測(cè)鳶尾花類型。

0、訓(xùn)練一個(gè)隨機(jī)森林分類模型，把訓(xùn)練好的模型保存為pkl文件。

# train_model.py
from sklearn import datasets
from sklearn.pipeline import Pipeline
import joblib
from sklearn.ensemble import RandomForestClassifier

def main():
    clf = RandomForestClassifier()
    p = Pipeline([('clf', clf)])
    p.fit(X, y)

    filename_p = 'IrisClassifier.pkl'
    joblib.dump(p, filename_p)
    print('Model saved!')


if __name__ == "__main__":
    iris = datasets.load_iris()
    X, y = iris.data, iris.target
    main()

1、通過(guò)protobuf定義接口和數(shù)據(jù)類型

新建一個(gè)iris_demo.proto文件

syntax = "proto3";

package iris;

message IrisPredictRequest {// 定義參數(shù)1
    float sepal_length = 1;//參數(shù)字段1
    float sepal_width = 2;//參數(shù)字段2
    float petal_length = 3;//參數(shù)字段3
    float petal_width = 4;//參數(shù)字段4
}

message IrisPredictResponse {// 定義參數(shù)1
    int32 species = 1;
}

service IrisPredictor{// 定義服務(wù)
    rpc predict_iris_species(IrisPredictRequest) returns (IrisPredictResponse){} 
}

proto文件格式一般三部分組成，

• 頭部的syntax 注明版本號(hào)為 "proto3"，必須寫，沒(méi)理由。
• 中間的 message 定義了predict_iris_species方法的參數(shù)IrisPredictRequest和IrisPredictResponse，還有參數(shù)字段的類型。
• 尾部的 service 定義一個(gè)服務(wù)IrisPredictor，其中包括 1 個(gè)predict_iris_species的RPC方法。這里可以定義多個(gè)RPC方法，在 message 中定義對(duì)應(yīng)的參數(shù)即可。

2、使用gRPC protobuf生成Python的庫(kù)函數(shù)

python -m grpc_tools.protoc -I=. --python_out=. --grpc_python_out=. ./iris_demo.proto

其中：

-I指定了源文件的路徑

--python_out， 指定 xxx_pb2.py的輸出路徑，如果使用其它語(yǔ)言請(qǐng)使用對(duì)應(yīng)語(yǔ)言的option

--grpc_python_out 指定xxx_pb2_grpc.py文件的輸出路徑

--*.proto是要編譯的proto文件。

運(yùn)行成功后，會(huì)自動(dòng)生成iris_demo_pb2.py（里面有消息序列化類）和iris_demo_pb2_grpc.py（包含了服務(wù)器 Stub 類和客戶端 Stub 類，以及待實(shí)現(xiàn)的服務(wù) RPC 接口）。我們無(wú)需關(guān)心這兩個(gè)py文件的細(xì)節(jié)，只需要直到在服務(wù)端和客戶端怎么調(diào)用即可。

本例中，我們會(huì)用到的方法如下：
xxx_pb2.py
├── xxx_pb2.IrisPredictRequest   用于傳入特征數(shù)據(jù)
├── xxx_pb2.IrisPredictResponse 用于預(yù)測(cè)

xxxx_pb2_grpc.py
├── xxx_pb2_grpc.IrisPredictorServicer  服務(wù)器 Stub 類
├── xxx_pb2_grpc.IrisPredictorStub  客戶端 Stub 類

3、寫一個(gè)服務(wù)器

這里的重點(diǎn)是定義 IrisPredictor 類的 predict_iris_species 方法，然后用 iris_demo_pb2_grpc.py 中的 add_IrisPredictorServicer_to_server 方法將 IrisPredictor 添加到 server。serve 函數(shù)里定義了 gRPC 的運(yùn)行方式，使用 4 個(gè) worker 的線程池。

# iris_prediction_server.py
import grpc
from concurrent import futures
import time
import joblib
import iris_demo_pb2
import iris_demo_pb2_grpc
import predict_iris
from sklearn.ensemble import RandomForestClassifier


class IrisPredictor(iris_demo_pb2_grpc.IrisPredictorServicer):

    @classmethod
    def get_trained_model(cls):
        cls._model = joblib.load('IrisClassifier.pkl')
        return cls._model

    def predict_iris_species(self, request, context):
        model = self.__class__.get_trained_model()
        sepal_length = request.sepal_length
        sepal_width = request.sepal_width
        petal_length = request.petal_length
        petal_width = request.petal_width
        result = model.predict(
            [[sepal_length, sepal_width, petal_length, petal_width]])
        response = iris_demo_pb2.IrisPredictResponse(species=result[0])
        return response  # not sure


def run():
    server = grpc.server(futures.ThreadPoolExecutor(max_workers=4))
    iris_demo_pb2_grpc.add_IrisPredictorServicer_to_server(
        IrisPredictor(), server)
    server.add_insecure_port('[::]:50055')
    server.start()
    print("grpc server start...")
    print("Listening on port 50055")
    server.wait_for_termination()


if __name__ == '__main__':
    run()

4、寫一個(gè)客戶端

客戶端的邏輯更加簡(jiǎn)單，連上gRPC服務(wù)，然后發(fā)起調(diào)用。

# iris_prediction_client.py
import grpc
import iris_demo_pb2
import iris_demo_pb2_grpc


def run():
    channel = grpc.insecure_channel('localhost:50055')
    stub = iris_demo_pb2_grpc.IrisPredictorStub(channel)
    request = iris_demo_pb2.IrisPredictRequest(
        sepal_length=6.7,
        sepal_width=3.0,
        petal_length=5.2,
        petal_width=2.3)
    response = stub.predict_iris_species(request)
    print('The prediction is :', response.species)


if __name__ == '__main__':
    run()

5、調(diào)用 RPC

先開(kāi)啟服務(wù)端

$ python iris_prediction_server.py 
grpc server start...
Listening on port 50055

另起一個(gè)terminal執(zhí)行客戶端代碼，調(diào)用gRPC服務(wù)，預(yù)測(cè)結(jié)果如下：

$ python iris_prediction_client.py 
The prediction is : 2

referance

https://grpc.io/
http://doc.oschina.net/
https://zhuanlan.zhihu.com/p/148139089 https://yu-ishikawa.medium.com/machine-learning-as-a-microservice-in-python-16ba4b9ea4ee